R for Chemistry Data Analysis and Chemometrics

Visual Analytics in R

Jordi Cuadros, Vanessa Serrano

January 2022

Package Management

Instalación y carga de paquetes en R

R tiene muchos paquetes para resolver problemas específicos. Para usar un paquete adicional este debe instalarse y cargarse en memoria.

installed.packages()[,1] # Lista los paquetes instalados
(.packages()) # Lista los paquetes en memoria

Dos recursos importantes para buscar y identificar paquetes relevantes son https://www.rdocumentation.org/ https://cran.rstudio.com/web/views/

Para instalar un paquete, por ejemplo “nycflights13”

install.packages("nycflights13")

Para cargar un paquete en memoria, se usa

library("nycflights13")

En RStudio la gestión de paquetes también puede hacerse desde la interfaz del programa

En un script y para garantizar la disponibilidad de un paquete

if(!require("nycflights13")) {
  install.packages("nycflights13")
  library("nycflights13")
}

Para acceder a la documentación de un paquete

help(package="nycflights13")

Algunos paquetes tienen información adicional a la que se puede acceder con las funciones vignette() y demo().

Importación y exportación de datos

Archivos de datos

A menudo es necesario leer y guardar los datos en algún formato tal que permita la importación y exportación de los mismos y su intercambio con otros programas o entornos.

Aunque puede importar y exportar archivos de muy distintos formatos, solo comentaremos como trabajar con

archivos de texto, y
archivos RData, el formato de almacenamiento de datos de R.

Para los distintos ejemplos usaremos el conjunto de datos flights del paquete nycflights13.

if(!require("nycflights13")) {
  install.packages("nycflights13")
  library("nycflights13")
}

str(flights)

## tibble [336,776 x 19] (S3: tbl_df/tbl/data.frame)
##  $ year          : int [1:336776] 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 ...
##  $ month         : int [1:336776] 1 1 1 1 1 1 1 1 1 1 ...
##  $ day           : int [1:336776] 1 1 1 1 1 1 1 1 1 1 ...
##  $ dep_time      : int [1:336776] 517 533 542 544 554 554 555 557 557 558 ...
##  $ sched_dep_time: int [1:336776] 515 529 540 545 600 558 600 600 600 600 ...
##  $ dep_delay     : num [1:336776] 2 4 2 -1 -6 -4 -5 -3 -3 -2 ...
##  $ arr_time      : int [1:336776] 830 850 923 1004 812 740 913 709 838 753 ...
##  $ sched_arr_time: int [1:336776] 819 830 850 1022 837 728 854 723 846 745 ...
##  $ arr_delay     : num [1:336776] 11 20 33 -18 -25 12 19 -14 -8 8 ...
##  $ carrier       : chr [1:336776] "UA" "UA" "AA" "B6" ...
##  $ flight        : int [1:336776] 1545 1714 1141 725 461 1696 507 5708 79 301 ...
##  $ tailnum       : chr [1:336776] "N14228" "N24211" "N619AA" "N804JB" ...
##  $ origin        : chr [1:336776] "EWR" "LGA" "JFK" "JFK" ...
##  $ dest          : chr [1:336776] "IAH" "IAH" "MIA" "BQN" ...
##  $ air_time      : num [1:336776] 227 227 160 183 116 150 158 53 140 138 ...
##  $ distance      : num [1:336776] 1400 1416 1089 1576 762 ...
##  $ hour          : num [1:336776] 5 5 5 5 6 5 6 6 6 6 ...
##  $ minute        : num [1:336776] 15 29 40 45 0 58 0 0 0 0 ...
##  $ time_hour     : POSIXct[1:336776], format: "2013-01-01 05:00:00" "2013-01-01 05:00:00" ...

Partiremos de un subconjunto de flights, para ello empezamos segmentando el data.frame.

fl_ny2ws <- flights[flights$dest %in% c("IAD","BWI"),
                    c("origin","dest","carrier","arr_delay","air_time")]
head(fl_ny2ws)

## # A tibble: 6 x 5
##   origin dest  carrier arr_delay air_time
##   <chr>  <chr> <chr>       <dbl>    <dbl>
## 1 LGA    IAD   EV            -14       53
## 2 LGA    BWI   WN            -19       40
## 3 EWR    IAD   EV             12       52
## 4 JFK    BWI   MQ            851       41
## 5 JFK    IAD   B6             14       52
## 6 LGA    IAD   EV              5       59

Escribir y leer archivos de texto

Para escribir un archivo de texto (delimitado) desde un data.frame se usa la función write.table o cualquiera de sus derivadas. Para leer, la función es read.table.

write.table(fl_ny2ws, file="fl_ny2ws.csv", sep=",", dec=".",
            quote=TRUE, fileEncoding="UTF-8", row.names=FALSE)

fl_ny2ws <- read.table("fl_ny2ws.csv", sep=",", dec=".",
           quote="\"", fileEncoding="UTF-8", header=TRUE)

Si se desea o dispone de un archivo delimitado por tabulaciones, el carácter tabulador se indica como \t.

Escribir y leer archivos de datos de R

Para leer y guardar datos en el formato propio de R, se usan las funciones save y load. Estas permiten almacenar y recuperar cualquier conjunto de variables del entorno de trabajo. Al recuperarlas se recuperan con el mismo nombre con el que se almacenaron.

save(fl_ny2ws, file="fl_ny2ws.rda")

print(load("fl_ny2ws.rda"))   #print muestra el nombre de los objetos

Manipulación avanzada de tablas de datos

Tabla de datos o data frame

Com se ha viso anteriormente, el data frame es el tipo de dato más usado para almacenar tablas de datos.

A menudo, para poder realizar gráficos y/o aplicar distintos procedimientos estadísticos, es necesario manipular la tabla de datos. A esto dedicaremos este apartado.

Entre las operaciones habituales que haremos sobre una tabla de datos, hay

renombrar filas o columnas,
añadir columnas o filas,
segmentar,
cambiar el formato de un conjunto de datos,
eliminar filas o columnas,
crear tablas de datos de resumen, y
unir tablas

Terminaremos este bloque introduciendo los funciones básicas del paquete dplyr que facilita la realización de algunas de estas operaciones.

Partimos de una tabla de datos sintética…

df <- data.frame(1:5, letters[1:5], c(rep("a", 3), rep("b", 2)))
df

##   X1.5 letters.1.5. c.rep..a...3...rep..b...2..
## 1    1            a                           a
## 2    2            b                           a
## 3    3            c                           a
## 4    4            d                           b
## 5    5            e                           b

Renombrar filas o columnas

colnames(df) <- c("var1", "var2", "var3") 
rownames(df) <- paste("subject00", 1:5, sep = "")
df

##            var1 var2 var3
## subject001    1    a    a
## subject002    2    b    a
## subject003    3    c    a
## subject004    4    d    b
## subject005    5    e    b

Añadir columnas o filas

df2 <- cbind(df, rnorm(5)) # añadir un vector al data frame
df2$var5 <- 5:1 # assignando valores a una nueva variable
df2

##            var1 var2 var3    rnorm(5) var5
## subject001    1    a    a  0.36648906    5
## subject002    2    b    a -0.03959724    4
## subject003    3    c    a -0.69663046    3
## subject004    4    d    b -1.75937019    2
## subject005    5    e    b  0.50552757    1

df2 <- rbind(df, list(6, "e", "b"))
df2

##            var1 var2 var3
## subject001    1    a    a
## subject002    2    b    a
## subject003    3    c    a
## subject004    4    d    b
## subject005    5    e    b
## 1             6    e    b

Segmentar

Existen tres formas básicas de seleccionar filas o columnas de una tablas de datos

mediante índices numéricos,
usando los nombres de filas y columnas, y
mediante vectores lógicos

Segmentar – mediante índices

df[1:3,]

##            var1 var2 var3
## subject001    1    a    a
## subject002    2    b    a
## subject003    3    c    a

df[,c(1,3)]

##            var1 var3
## subject001    1    a
## subject002    2    a
## subject003    3    a
## subject004    4    b
## subject005    5    b

df[-3,-2]

##            var1 var3
## subject001    1    a
## subject002    2    a
## subject004    4    b
## subject005    5    b

Segmentar – usando nombres

df[,"var2"]

## [1] "a" "b" "c" "d" "e"

df$var3

## [1] "a" "a" "a" "b" "b"

df[,c("var2","var3")]

##            var2 var3
## subject001    a    a
## subject002    b    a
## subject003    c    a
## subject004    d    b
## subject005    e    b

Segmentar – mediante vectores lógicos

df[c(T,T,F,T,F), c(T,F,T)]

##            var1 var3
## subject001    1    a
## subject002    2    a
## subject004    4    b

df[df[,1] == 3 | df[,3] == "b",]

##            var1 var2 var3
## subject003    3    c    a
## subject004    4    d    b
## subject005    5    e    b

Cambiar el formato de un conjunto de datos

Un mismo conjunto de datos puede representar en una tabla de datos de acuerdo con distintas oragnizaciones o formatos.

Se denomina formato ordenado, tidy, aquella organización en la que las filas representan individuos, las columnas, variables de medidas, y las intersecciones los valores de dichas medidas.

Cuando existen más de una variable que corresponde al mismo tipo de medida, entonces los datos pueden organizarse de dos formas

usando una columna distinta para cada variable, formato ancho y tidy, o
usando una columna para los valores y otra para indicar cuál es la variable representada en esta fila.

El formato más adecuado dependerá de los análisis y visualizaciones que quieran hacerse.

Partiremos de un subconjunto de flights…

if(!require("nycflights13")) {
  install.packages("nycflights13")
  library("nycflights13")
}

fl_ny2ws_W <- flights[flights$dest %in% c("IAD","BWI"),
                    c("origin","dest","carrier","arr_delay","dep_delay")]
fl_ny2ws_W <- cbind(key = 1:nrow(fl_ny2ws_W), fl_ny2ws_W)
head(fl_ny2ws_W)

##   key origin dest carrier arr_delay dep_delay
## 1   1    LGA  IAD      EV       -14        -3
## 2   2    LGA  BWI      WN       -19        -1
## 3   3    EWR  IAD      EV        12        24
## 4   4    JFK  BWI      MQ       851       853
## 5   5    JFK  IAD      B6        14        15
## 6   6    LGA  IAD      EV         5        10

Cambiar el formato de un conjunto de datos – ancho a largo

fl_ny2ws_L <- rbind(
  cbind(edge = rep("origin", nrow(fl_ny2ws_W)), fl_ny2ws_W[,c(1,4)],
        airport = fl_ny2ws_W[,2], delay = fl_ny2ws_W[,6]),
  cbind(edge = rep("dest", nrow(fl_ny2ws_W)), fl_ny2ws_W[,c(1,4)],
        airport = fl_ny2ws_W[,3], delay = fl_ny2ws_W[,5]))
colnames(fl_ny2ws_L) <- c("edge","key","carrier","airport","delay")

head(fl_ny2ws_L)

##     edge key carrier airport delay
## 1 origin   1      EV     LGA    -3
## 2 origin   2      WN     LGA    -1
## 3 origin   3      EV     EWR    24
## 4 origin   4      MQ     JFK   853
## 5 origin   5      B6     JFK    15
## 6 origin   6      EV     LGA    10

tail(fl_ny2ws_L)

##       edge  key carrier airport delay
## 14957 dest 7476      B6     IAD    -4
## 14958 dest 7477      MQ     BWI    -9
## 14959 dest 7478      EV     IAD   -16
## 14960 dest 7479      EV     IAD   -19
## 14961 dest 7480      9E     IAD   -40
## 14962 dest 7481      9E     BWI     2

Cambiar el formato de un conjunto de datos – largo a ancho

fl_ny2ws_W2p1 <- fl_ny2ws_L[fl_ny2ws_L$edge=="origin",]
fl_ny2ws_W2p2 <- fl_ny2ws_L[fl_ny2ws_L$edge=="dest",]
fl_ny2ws_W2p1 <- fl_ny2ws_W2p1[order(fl_ny2ws_W2p1$key),-1]
fl_ny2ws_W2p2 <- fl_ny2ws_W2p2[order(fl_ny2ws_W2p2$key),-c(1,2)]
fl_ny2ws_W2 <- cbind(fl_ny2ws_W2p1,fl_ny2ws_W2p2[,-1])
colnames(fl_ny2ws_W2) <- c("key", "carrier", "origin", "dep_delay",
                           "dest","arr_delay")

head(fl_ny2ws_W2)

##   key carrier origin dep_delay dest arr_delay
## 1   1      EV    LGA        -3  IAD       -14
## 2   2      WN    LGA        -1  BWI       -19
## 3   3      EV    EWR        24  IAD        12
## 4   4      MQ    JFK       853  BWI       851
## 5   5      B6    JFK        15  IAD        14
## 6   6      EV    LGA        10  IAD         5

tail(fl_ny2ws_W2)

##       key carrier origin dep_delay dest arr_delay
## 7476 7476      B6    JFK        12  IAD        -4
## 7477 7477      MQ    JFK        -5  BWI        -9
## 7478 7478      EV    LGA        -5  IAD       -16
## 7479 7479      EV    JFK        -1  IAD       -19
## 7480 7480      9E    JFK        -7  IAD       -40
## 7481 7481      9E    JFK        38  BWI         2

Eliminar filas o columnas

La forma más habitual de eliminar filas o columnas es segmentando la tabla de datos. Sin embargo, una columna también puede eliminarse asignando la misma a NULL.

df <- data.frame(1:5, letters[1:5], c(rep("a", 3), rep("b", 2)))
colnames(df) <- c("var1", "var2", "var3") 
rownames(df) <- paste("subject00", 1:5, sep = "")
df <- df[-2,]
df$var2 <- NULL

df

##            var1 var3
## subject001    1    a
## subject003    3    a
## subject004    4    b
## subject005    5    b

Si lo que se desea es eliminar una variable del entorno de trabajo entonces se usa la función rm.

rm(df)

Creación de resúmenes a partir de datos en formato ancho

sum_fl_ny2ws <- data.frame(edge=c("origin","dest"))

sum_fl_ny2ws$mean_delay <- apply(fl_ny2ws_W[,c("dep_delay","arr_delay")],2,
                                 mean,na.rm=TRUE)
sum_fl_ny2ws$r_delay <- apply(fl_ny2ws_W[,c("dep_delay","arr_delay")],2,
                      function(x) diff(range(x,na.rm=TRUE)))
sum_fl_ny2ws$s_delay <- apply(fl_ny2ws_W[,c("dep_delay","arr_delay")],2,
                              sd,na.rm=TRUE)
sum_fl_ny2ws

##     edge mean_delay r_delay  s_delay
## 1 origin   16.84267     885 47.85548
## 2   dest   13.11556     904 51.52259

Creación de una tabla de resumen a partir de datos en formato largo

sum_fl_ny2ws <- data.frame(edge=c("origin","dest"))
sum_fl_ny2ws$mean_delay <- by(fl_ny2ws_L$delay,fl_ny2ws_L$edge,
                              mean,na.rm=TRUE)
sum_fl_ny2ws$r_delay <- by(fl_ny2ws_L$delay,fl_ny2ws_L$edge,
                           function(x) diff(range(x,na.rm=TRUE)))
sum_fl_ny2ws$s_delay <- by(fl_ny2ws_L$delay,fl_ny2ws_L$edge,sd,na.rm=TRUE)
sum_fl_ny2ws

##     edge mean_delay r_delay  s_delay
## 1 origin   13.11556     904 51.52259
## 2   dest   16.84267     885 47.85548

`dplyr`

Estas mismas operaciones que se han comentado más arriba, se pueden llevar a cabo también a partir de un sistema coherente de métodos creado como una gramática para la manipulación de datos, el paquete dplyr –que forma parte de tidyverse–.

http://dplyr.tidyverse.org/

En dplyr las operaciones básicas, se realizan mediante cuatro métodos:

select: segmentar columnas,
filter: segmentar filas,
mutate: crear nuevas columnas, y
arrange: ordenar.

Estas se encadenan usando el operador pipe, %>%.

df <- flights %>% dplyr::select(origin, dest, arr_delay) %>% 
  filter(origin == "LGA" & (dest == "IAD" | dest == "BWI")) %>%
  mutate(arr_delay_h=arr_delay/60) %>% 
  arrange(-arr_delay_h)
df

## # A tibble: 1,818 x 4
##    origin dest  arr_delay arr_delay_h
##    <chr>  <chr>     <dbl>       <dbl>
##  1 LGA    IAD         398        6.63
##  2 LGA    IAD         326        5.43
##  3 LGA    IAD         312        5.2 
##  4 LGA    IAD         306        5.1 
##  5 LGA    IAD         292        4.87
##  6 LGA    IAD         281        4.68
##  7 LGA    IAD         280        4.67
##  8 LGA    IAD         265        4.42
##  9 LGA    IAD         262        4.37
## 10 LGA    IAD         253        4.22
## # ... with 1,808 more rows

Para la creación de resúmenes a partir de tablas en formato largo, es muy útil y cómoda la combinación group_by y summarize.

df %>% group_by(dest) %>% summarise(mean_delay = mean(arr_delay, na.rm=TRUE))

## # A tibble: 2 x 2
##   dest  mean_delay
##   <chr>      <dbl>
## 1 BWI        -7.87
## 2 IAD        13.7

Por último, las conversiones entre formatos también pueden hacerse a partir de las funciones spread y gather del paquete tidyr –incluido en tidyverse y que se integra de forma natural en la gramática propuestas por dplyr–.

Advanced Graphics in R

Gramática de gráficos (GoG)

La gramática de gráficos es una aproximación teórica al estudio de los componentes de un gráfico. De acuerdo con este análisis, un gráfico se puede construir mediante la especificación de un conjunto de capas y componentes que definen los datos, la asociación de los mismos a aspectos del gráfico, la especificación de la relación entre los valores de las variables de los datos con las del gráfico, la estructura geométrica del gráfico…

Wilkinson, L. (2006). The grammar of graphics. Springer Science & Business Media.

`ggplot2`

ggplot2 es un paquete de R que implementa de la gramática de gráficos.

Wickham, H. (2010). A layered grammar of graphics. Journal of Computational and Graphical Statistics, 19(1), 3-28.

Referencias:

ggplot2 forma parte del paquete tidyverse (aunque también puede instalarse y cargarse autónomamente).

if(!require("tidyverse")) {
  install.packages("tidyverse", repos="https://cloud.r-project.org/",
         quiet=TRUE, type="binary")
  library("tidyverse")
}

`ggplot2` – capas y elementos del gráfico

En ggplot2 cada elemento gráfico que representa un conjunto de datos constituye una capa. Una o más capas constituyen un gráfico.

Cada capa queda definida mediante la especificación de sus elementos. Los principales son

datos,
mapeado estético, y
geometrías

En ggplot2, los gráficos constituyen un objeto de R y se construyen de forma aditiva.

Por ejemplo,

grafico <- ggplot(data = anscombe,
        mapping = aes(x = x1, y = y1))  # Datos y mapeado estético 
grafico <- grafico + geom_point()       # Geometría

grafico

`ggplot2` – datos

En ggplot2, el elemento data (datos) se introduce como primer argumento de la función ggplot. Debe corresponder a una tabla de datos o un tipo de datos convertible a tabla de datos.

grafico <- ggplot(data = anscombe,

`ggplot2` – mapeado estético

El mapping (mapeado estético) corresponde al establecimiento de relaciones entre variables de los datos y variables del gráfico. Es el segundo argumento de la función ggploty debe crearse con al función de apoyo aes.

        mapping = aes(x = x1, y = y1))

Para variables cuantitativas, los mapeados más comunes corresponden a

posiciones: x, y…
tamaño: size
color: color, fill

Para variable cualitativas, los mapeados más frecuentes son

posiciones: x, y…
color: color, fill
forma: shape

`ggplot2` – geometrías

Las geometrías (geom_) indican la forma que debe tener el gráfico, es decir, cómo se articulan las variables del gráfico. Se añaden al gráfico sumándose al objeto creado por ggplot.

grafico <- grafico + geom_point()

Son geometrías de uso común

geom_point
geom_line, geom_vline, geom_hline
geom_bar
geom_histogram
geom_boxplot

Un resumen de las geometrías y su relación con las variables del gráfico que reconoce cada una de ellas figura en https://github.com/rstudio/cheatsheets/raw/master/data-visualization-2.1.pdf.

Gráficos en `ggplot2`

Veremos cómo crear en ggplot2 los gráficos más habituales, añadiendo algunas consideraciones para aquellos casos donde los gráficos realizados con base tienen prestaciones insuficientes.

gráficos de dispersión,
histogramas,
diagramas de barras, y
diagramas de caja (boxplot).

De forma general, los gráficos en ggplot2 se construyen a partir de tablas de datos (data frames), de los cuales se seleccionan las variables a representar.

Usaremos 1000 datos del conjunto de datos diamonds para crear los distintos ejemplos.

diaM <- diamonds[sample(1:nrow(diamonds),1000),]
str(diaM)

## tibble [1,000 x 10] (S3: tbl_df/tbl/data.frame)
##  $ carat  : num [1:1000] 1.05 0.3 1.09 2.41 1.59 0.38 1.52 1 0.3 1.12 ...
##  $ cut    : Ord.factor w/ 5 levels "Fair"<"Good"<..: 3 5 5 4 5 4 4 4 5 2 ...
##  $ color  : Ord.factor w/ 7 levels "D"<"E"<"F"<"G"<..: 2 5 4 5 7 6 7 5 5 6 ...
##  $ clarity: Ord.factor w/ 8 levels "I1"<"SI2"<"SI1"<..: 2 3 4 2 4 4 4 4 4 4 ...
##  $ depth  : num [1:1000] 61.7 62.2 62.3 58.7 62.9 61.8 62 61.5 60.9 63.8 ...
##  $ table  : num [1:1000] 59 57 57 61 58 59 59 61 58 55 ...
##  $ price  : int [1:1000] 4010 450 6480 15248 8681 633 7758 5000 491 4766 ...
##  $ x      : num [1:1000] 6.52 4.27 6.6 8.85 7.45 4.61 7.28 6.45 4.29 6.57 ...
##  $ y      : num [1:1000] 6.58 4.28 6.57 8.76 7.39 4.64 7.31 6.4 4.32 6.63 ...
##  $ z      : num [1:1000] 4.04 2.66 4.1 5.17 4.66 2.86 4.52 3.95 2.62 4.21 ...

Gráficos en `ggplot2` – gráfico de dispersión

ggplot(diaM, aes(x=carat,y=price)) + geom_point()

Añadiendo una tercera variable (cut) y modificando algunos aspectos de formato…

ggplot(diaM, aes(x=carat,y=price,color=cut)) + 
  geom_point(alpha=.8,shape=21,size=3)

Añadiendo líneas de tendencia…

ggplot(diaM, aes(x=carat,y=price,color=cut)) + 
  geom_point(alpha=.8,shape=21,size=3) +
  geom_smooth(method="lm",se=FALSE)

## `geom_smooth()` using formula 'y ~ x'

Gráficos en `ggplot2` – histograma

ggplot(diaM, aes(x=price)) + geom_histogram(binwidth=1000)

Y en función del corte…

ggplot(diaM, aes(x=price,fill=cut)) +
  geom_histogram(position='dodge',binwidth=1000)

En frecuencias relativas (por grupo)…

ggplot(diaM, aes(x=price,y=..density..,fill=cut)) +
  geom_histogram(position='dodge',binwidth=1000)

Quizás funcione mejor un gráfico de densidades…

ggplot(diaM, aes(x=price,fill=cut)) +
  geom_density(alpha=.3)

Gráficos en `ggplot2` – diagrama de barras

ggplot(diaM, aes(x=clarity)) + geom_bar()

En función de la claridad…

ggplot(diaM, aes(x=clarity, fill=cut)) + geom_bar()

Para comparar entre frecuencias absolutas, funcionan mejor las barras separadas.

ggplot(diaM, aes(x=clarity, fill=cut)) + geom_bar(position="dodge")

Para comparar entre frecuencias relativas acumuladas, son mejores las barras apiladas en frecuencia relativa (para cada clase).

ggplot(diaM, aes(x=clarity, fill=cut)) + geom_bar(position="fill")

Los diagramas de barras también pueden crearse a partir de tablas de datos agrupados. En este caso, debe indicarse qué variable es la y e incluir stat="identity" en el geom_bar.

Gráficos en `ggplot2` – diagrama de caja

ggplot(diaM, aes(x=1, y=price)) + geom_boxplot()

NOTA: Para el geom_boxplot se requieren dos variables. Si no hay variable independiente se puede incluir x=1.

Y en función del corte…

ggplot(diaM, aes(x=cut, y=price)) + geom_boxplot()

El gráfico se puede mejorar mostrando todos los puntos, con una posición aleatorizada.

ggplot(diaM, aes(x=cut, y=price)) + 
  geom_boxplot(outlier.shape = NA) +
  geom_jitter(shape = 21, alpha=.5,height=0,width=.2)

O incluyendo un violin plot y un punto para la media…

medias <- diaM %>% group_by(cut) %>%
  summarise(price=mean(price))

ggplot(diaM, aes(x=cut, y=price)) + 
  geom_violin() +
  geom_boxplot(outlier.shape = NA, width = 0.1) +
  geom_point(data=medias,shape=3)

`ggplot2` – elementos adicionales

Además de los elementos ya presentados (datos, mapeado estético y geometrías), otros elementos de ggplot2 permiten controlar aspectos adicionales del gráfico, por ejemplo

scale_...: controlan los aspectos relativos a la presentación de las variables del gráfico,
coord_...: establecen el sistema de coordenadas usado en la geometría,
labs: establece los títulos del gráfico,
theme, theme_...: controlan la part del gráfico que no corresponde a datos (non-data ink), y
facet_: permite la creació de secuencia de gráficos en función de una o dos variables

Un ejemplo para terminar…

ggplot(diaM, aes(x=carat, y = price, shape = cut, col = clarity)) +
  geom_point(alpha=.6) +
  scale_x_continuous(breaks=1:3) +
  scale_y_continuous(trans="log10") +
  scale_color_brewer(palette="Spectral")+
  facet_grid(cut ~ clarity) + 
  theme_bw() + 
  theme(legend.position = "none",text = element_text(size=10))

## Warning: Using shapes for an ordinal variable is not advised